Fugu-MT 論文翻訳(概要): Embodied-Symbolic Contrastive Graph Self-Supervised Learning for Molecular Graphs

論文の概要: Embodied-Symbolic Contrastive Graph Self-Supervised Learning for Molecular Graphs

arxiv url: http://arxiv.org/abs/2205.06783v1
Date: Fri, 13 May 2022 17:13:37 GMT
ステータス: 処理完了
システム内更新日: 2022-05-16 14:10:54.008112
Title: Embodied-Symbolic Contrastive Graph Self-Supervised Learning for Molecular Graphs
Title（参考訳）: 分子グラフのためのエンボディ・シンボリックコントラストグラフ自己教師付き学習
Authors: Daniel T. Chang
Abstract要約: 分子グラフ表現学習における二重エンボディ・シンボリック概念表現の活用について論じる。具体的表現は分子グラフから学習し、記号的表現は対応する化学知識グラフから学習する。
参考スコア（独自算出の注目度）: 0.8722210937404288
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Dual embodied-symbolic concept representations are the foundation for deep learning and symbolic AI integration. We discuss the use of dual embodied-symbolic concept representations for molecular graph representation learning, specifically with exemplar-based contrastive self-supervised learning (SSL). The embodied representations are learned from molecular graphs, and the symbolic representations are learned from the corresponding Chemical knowledge graph (KG). We use the Chemical KG to enhance molecular graphs with symbolic (semantic) knowledge and generate their augmented molecular graphs. We treat a molecular graph and its semantically augmented molecular graph as exemplars of the same semantic class, and use the pairs as positive pairs in exemplar-based contrastive SSL.
Abstract（参考訳）: Dual embodied-symbolic concept representationsはディープラーニングとシンボリックAI統合の基礎である。本稿では,分子グラフ表現学習における二重エンボディ・シンボリックな概念表現の活用について論じる。具体化表現は分子グラフから学び、記号表現は対応する化学知識グラフ(kg)から学習される。我々はケミカルKGを用いて、記号的(意味的な)知識で分子グラフを強化し、その強化された分子グラフを生成する。分子グラフとその意味的に拡張された分子グラフを同じ意味クラスの例として扱い、そのペアを例ベースのコントラストSSLにおいて正のペアとして利用する。

関連論文リスト

MolGrapher: Graph-based Visual Recognition of Chemical Structures [50.13749978547401]
化学構造を視覚的に認識するためにMolGrapherを導入する。すべての候補原子と結合をノードとして扱い、それらをグラフ化する。グラフニューラルネットワークを用いてグラフ内の原子と結合ノードを分類する。
論文参考訳（メタデータ） (2023-08-23T16:16:11Z)
Extracting Molecular Properties from Natural Language with Multimodal Contrastive Learning [1.3717673827807508]
本研究では,分子特性情報を自然言語からグラフ表現へ伝達する方法について検討する。我々は, テキスト検索を改善するために, ニューラル関連評価戦略を実装し, 化学的に有意な分子グラフ増強戦略を導入する。グラフモダリティだけで事前学習されたモデルに対するAUROCの利得は+4.26%、最近提案された分子グラフ/テキストの対照的に訓練されたMoMuモデルに比べて+1.54%向上する。
論文参考訳（メタデータ） (2023-07-22T10:32:58Z)
Bi-level Contrastive Learning for Knowledge-Enhanced Molecule Representations [55.42602325017405]
本稿では,分子の2レベル構造を考慮した新しいGODE法を提案する。異なるグラフ構造上で2つのグラフニューラルネットワーク(GNN)を事前訓練し、対照的な学習と組み合わせることで、GODEは分子構造を対応する知識グラフサブ構造と融合させる。 11の化学特性タスクを微調整した場合、我々のモデルは既存のベンチマークよりも優れており、分類タスクの平均ROC-AUCアップリフトは13.8%、回帰タスクの平均RMSE/MAEエンハンスメントは35.1%である。
論文参考訳（メタデータ） (2023-06-02T15:49:45Z)
Enhancing Model Learning and Interpretation Using Multiple Molecular Graph Representations for Compound Property and Activity Prediction [0.0]
本研究では,高次情報を含む複数の分子グラフ表現を導入する。モデル学習と多様な視点からの解釈に対するそれらの効果について研究する。その結果, 原子グラフ表現と分子グラフ表現の低減を組み合わせれば, 有望なモデル性能が得られることがわかった。
論文参考訳（メタデータ） (2023-04-13T04:20:30Z)
Probing Graph Representations [77.7361299039905]
グラフ表現でキャプチャされた意味のある情報の量を定量化するために、探索フレームワークを使用します。本研究は, グラフモデルにおける帰納的バイアスを理解するための探索の可能性を示すものである。グラフベースモデルを評価する上で有用な診断ツールとして,探索を提唱する。
論文参考訳（メタデータ） (2023-03-07T14:58:18Z)
A Molecular Multimodal Foundation Model Associating Molecule Graphs with Natural Language [63.60376252491507]
本稿では,分子グラフとその意味的関連テキストデータから事前学習した分子マルチモーダル基礎モデルを提案する。我々のモデルは、生物学、化学、材料、環境、医学などの分野において、AIを動力とする分野に幅広い影響を与えるだろうと考えています。
論文参考訳（メタデータ） (2022-09-12T00:56:57Z)
Graph neural networks for the prediction of molecular structure-property relationships [59.11160990637615]
グラフニューラルネットワーク(GNN)は、分子グラフ上で直接動作する新しい機械学習手法である。 GNNは、エンドツーエンドでプロパティを学習できるため、情報記述子の必要性を回避することができる。本稿では、分子特性予測のための2つの例を通して、GNNの基礎を説明し、GNNの応用を実証する。
論文参考訳（メタデータ） (2022-07-25T11:30:44Z)
Molecular Graph Representation Learning via Heterogeneous Motif Graph Construction [19.64574177805823]
ヘテロジニアスなモチーフグラフを構築することによって,新しい分子グラフ表現学習法を提案する。特に、モチーフノードと分子ノードを含む不均一モチーフグラフを構築する。本モデルでは, エッジサンプリングを用いて, 計算資源を著しく減らし, 類似した性能が得られることを示す。
論文参考訳（メタデータ） (2022-02-01T16:21:01Z)
Molecular Contrastive Learning with Chemical Element Knowledge Graph [16.136921143416927]
分子表現学習は、分子特性予測や薬物設計など、下流の複数のタスクに寄与する。我々は,元素間の微視的関連を要約するケミカル要素知識グラフ(KG)を構築した。最初のモジュールである知識誘導グラフ拡張は、ケミカル要素KGに基づいて元の分子グラフを増強する。第2のモジュールである知識対応グラフ表現は、元の分子グラフの共通グラフエンコーダと知識対応メッセージパッシングニューラルネットワーク(KMPNN)を用いて分子表現を抽出し、拡張された分子グラフの複雑な情報をエンコードする。
論文参考訳（メタデータ） (2021-12-01T15:04:39Z)
Hierarchical Inter-Message Passing for Learning on Molecular Graphs [9.478108870211365]
分子グラフを学習するための階層型ニューラルメッセージパッシングアーキテクチャを提案する。我々の手法は、サイクルの検出など、古典的なGNNで知られているいくつかの制限を克服することができるが、それでも訓練は非常に効率的である。
論文参考訳（メタデータ） (2020-06-22T12:25:24Z)
Multi-View Graph Neural Networks for Molecular Property Prediction [67.54644592806876]
マルチビューグラフニューラルネットワーク(MV-GNN)を提案する。 MV-GNNでは,学習過程を安定させるために,自己注意型読み出しコンポーネントと不一致損失を導入する。我々は、相互依存型メッセージパッシング方式を提案することにより、MV-GNNの表現力をさらに強化する。
論文参考訳（メタデータ） (2020-05-17T04:46:07Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。